【摘要】针对夜间场景下苹果识别率低、实时性差的问题，提出了一种融合图像增强和迁移学习的YOLOv8n夜间苹果检测方法。首先，在YOLOv8n前端嵌入Zero-DCE模块增强夜间图像，更清晰地呈现苹果的轮廓和细节，降低夜间苹果图像的识别难度；其次，使用SPD-Conv进行下采样，增强模型细粒度特征的提取能力；在此基础上，针对夜间苹果数据集样本量少的问题，采用迁移学习训练策略，选取含有苹果类别的MS COCO数据集作为源域数据集，对于夜间场景下的目标域数据集，利用Zero-DCE增加其与日间苹果图像的相似度并在源域模型上微调目标域模型。基于上述方法，在夜间苹果图像数据集上进行了试验，结果显示，所提方法的模型的精确率P为97.0%、召回率R为93.4%、平均精度均值mAP0.5:0.95为74.6%，较YOLOv8n原始模型分别提升2.3、1.9和4.3百分点，同时该模型的FPS为22帧/s，可以满足实时性要求。消融试验显示，图像增强与迁移学习结合使用的效果超过两者单独使用时的效果之和。研究表明，改进后的模型在处理重叠、遮挡、绿果和光线过暗等复杂情形时都比原始模型表现更优，具有良好的鲁棒性。